Version classiqueVersion mobile

Pour la recherche urbaine

 | 
Félix Adisson
, 
Sabine Barles
, 
Nathalie Blanc
, 
et al.

Première partie. Pour une bonne recherche urbaine

2. Big cities, smart data ? Les conséquences épistémologiques et pratiques de la généralisation des univers numériques pour la recherche urbaine

Laurent Devisme, France Guérin-Pace et Christine Voiron-Canicio

Texte intégral

  • 1 Les éléments de cette réflexion ont également été partagés avec Cyrille François, Antoine Pauchon e (...)

1Le déploiement généralisé des technologies numériques d’information et de la communication, et plus précisément l’apparition d’une nouvelle forme de données dans le paysage scientifique, les données massives, est à même de redessiner les frontières entre les disciplines scientifiques mais aussi entre le monde académique et la société civile. Dans ce chapitre, il sera question de l’émergence et du développement du big data, ou données massives ou encore mégadonnées, combiné à celui de l’intelligence artificielle1.

  • 2 Notons aussi que la smart city peut être un horizon d’action plus ouvert et potentiellement critiqu (...)

2Qu’est-ce que l’on entend aujourd’hui par big data ? Quelle diversité de données regroupe cette appellation (données collaboratives, données web, données d’échelle très fine, etc.) ? Quelles sont les méthodologies et les compétences que nécessite leur traitement ? Quel regard critique porter sur ces données ? Dans quelles disciplines et comment leur profusion redessine-t-elle la frontière des collaborations interdisciplinaires, mais aussi entre recherche et société civile ? Quel accès et quel rôle pour les chercheurs dans cette nouvelle configuration ? Enfin, en termes de prospective pour la recherche urbaine, ces données permettent-elles de faire émerger des méthodes de recherche innovantes ? En délaissant ici les nombreux discours sur la smart city (horizon d’action de certaines élites économiques et politiques que l’on peut analyser comme tel2), ces questions nous semblent incontournables pour interroger la dynamique des savoirs scientifiques.

3Les deux premières sections du chapitre portent sur les transformations imputables au développement des données numériques massives et à leurs conséquences sur un plan paradigmatique. Cet état des lieux permet de se focaliser dans une troisième section sur la question des rapports entre les mondes académiques publics et les mondes professionnels privés (détenteurs, producteurs de données, usagers), mais aussi sur celle des relations entre chercheurs et acteurs urbains (laboratoires, entreprises et collectivités territoriales). Ces questions interrogent aussi les temporalités de production de la recherche urbaine et peuvent même rejoindre l’enjeu de la « science lente » (Stengers 2013). Nous revenons dans la dernière section sur des questions plus internes aux pratiques scientifiques en tant que telles et à une prospective contrastée des collaborations possibles entre disciplines.

Dédramatiser la révolution des données tout en l’intégrant à la recherche urbaine française

4Il est difficilement concevable de réfléchir à ce que sera la recherche urbaine de demain sans essayer d’appréhender les impacts de la révolution numérique et de ses composantes, à savoir la démultiplication des données et les innovations méthodologiques associées. Les sciences humaines et sociales ont depuis peu ouvert le débat sur les changements induits par le big data dans les démarches scientifiques disciplinaires et interdisciplinaires et dans leur rapport à la société. La recherche urbaine française n’est pas encore entrée dans le débat ; peu de travaux mobilisent cette nouvelle donne (Marty 2017 ; cf. aussi chap. 8). Mais dans le futur, comment se situera-t-elle face à ce phénomène technologique, culturel et scientifique ? Que peut-elle apprendre du big data et qu’a-t-elle à proposer en retour sur son utilisation et sur les savoirs qui en résultent ?

5Derrière l’appellation big data se rangent des mégadonnées, ou données massives, ainsi que tout un ensemble de méthodes et de techniques relatives à leur traitement (Kitchin 2013). Une distinction peut être faite au sein de ces données massives. Les premières, dites passives, proviennent de dispositifs de surveillance, de capteurs divers (pollution, bruit, etc.), de satellites, de traces des navigations sur Internet, etc. Les secondes, dites actives, correspondent aux informations fournies volontairement par les individus, qu’il s’agisse de l’envoi d’un message via une application sur un téléphone portable, de contributions bénévoles à des campagnes de collecte de données (crowdsourcing) sur des sujets déterminés ou à un système d’information commun, tel OpenStreetMap (Goodchild 2007 ; Eitzel et al. 2017 ; cf. aussi chap. 8). Si la production massive de données géolocalisées est apparue il y a plus de dix ans, la plupart des travaux scientifiques portant sur ce type de données sont postérieurs à 2011 (Batty et al. 2012 ; Boyd et Crawford 2011 ; Gordon et De Souza e Silva 2011 ; Kitchin 2013). À ces données massives géolocalisées ou géolocalisables s’ajoutent les données issues des collections numérisées – manuscrits, plans, photographies, enregistrements sonores ou vidéos – qui se multiplient depuis la fin des années 1990. Ici, ce sont des données qualitatives qui peuvent donner lieu à des traitements statistiques.

6La communauté scientifique est encore peu impliquée dans le processus de création du big data. Néanmoins, certains travaux scientifiques produisent de grandes séries de données à traiter, provenant en particulier des résultats de traitements effectués à très fine résolution spatiale et de simulations réitérées des milliers, voire des millions de fois. Pourtant, une réflexion est nécessaire sur la posture du chercheur (Audard et al. 2014) qui devient de plus en plus utilisateur de données (et moins producteur de données).

7Les données massives sont fréquemment caractérisées par les « 3 V », à savoir leur volume, la vitesse à laquelle elles se construisent et se propagent et leur variété (Laney 2001). Elles sont produites à fine résolution, avec des mises à jour rapides ou en temps réel, et couvrent de larges domaines de la géographie qui relèvent aussi bien des comportements individuels que de la caractérisation des environnements urbains. Pour le champ des études urbaines, leur principal intérêt est de fournir une information spatio-temporelle, à l’échelle de l’individu, en temps continu, dont les recensements, axés sur le résidentiel et le statique, ne peuvent rendre compte. Ici, le présentiel et sa dynamique sur des pas de temps courts, voire en temps réel, peuvent être appréhendés. Les big data ne constituent « qu’un aspect relativement limité d’une transformation plus générale : la multiplication et l’accessibilité croissante des données numériques » (Ollion et Boelaert 2015). Mais les frontières en sont mal définies : faut-il par exemple ranger sous l’appellation de big data les archives numérisées ou les données issues de questionnaires sur Internet ? À partir de quel volume de données peut-on parler de big data ? Indépendamment de leur qualification, la multiplication des données numériques (encodées sous forme de chiffres) va de pair avec la révolution des techniques de production de la donnée et des méthodes de gestion et de traitement – bases de données en flux, interrogation des données avec des méthodes d’apprentissage automatique (machine learning) – offrant la possibilité de fouiller, agréger et croiser de vastes ensembles de données. Et c’est bien cette combinaison systémique technique-donnée-méthode qu’il convient de prendre en compte si l’on veut appréhender dans leurs multiples dimensions les interactions du big data et de la recherche.

8Les premières publications réalisées à partir de données numériques massives ont suscité beaucoup d’enthousiasme (Batty et al. 2012 ; Larose 2005 ; Mayer-Schonberger et Cukier 2013 ; Miller 2010). Dans le grand public, comme dans les milieux scientifiques, les notions d’exhaustivité, d’objectivité et d’exactitude sont associées aux données massives. La certitude que les grands ensembles de données procurent une forme inédite d’intelligence et de connaissance, ouvrant des perspectives nouvelles, est largement répandue. Aussi est-il particulièrement utile à l’image de récents travaux ethnographiques (Boyd et Crawford 2012), d’être attentif au courant des critical data studies qui a vu le jour en 2014, lancé par des universitaires des sciences humaines et sociales (Dalton et Thatcher 2014 ; Kitchin et Lauriault 2018 ; Marvin et al. 2016). Leurs écrits soulignent, en premier lieu, les limites méthodologiques, éthiques et épistémologiques des mégadonnées. Ils démystifient le big data en remettant en question les présupposés sur leur nature et leur signification dès lors qu’on extrait les mégadonnées du contexte dans lequel elles ont été produites, ou encore sur leur représentativité, leur exhaustivité, leur pseudo-exactitude. A contrario, des travaux démontrent la valeur et l’utilité de données « réelles » que l’on peut qualifier de small data et qui participent, de fait, à une critique d’une nouvelle forme de positivisme scientifique que peut incarner l’appel au big data (Delyser et Sui 2014 ; Noucher 2016). Il est plus que jamais important de pénétrer les dispositifs sociotechniques qui conduisent à la construction des données numériques, quelle que soit leur nature.

Un changement de paradigme ?

9La disponibilité de masses de données individuelles à une échelle spatiale fine – jusqu’alors accessibles par des enquêtes coûteuses sur des échantillons de population restreints – ouvre aux quantitativistes de nouveaux terrains et objets d’étude relevant traditionnellement de la recherche qualitative (Qin et al. 2013). Il en va ainsi de la possibilité de spatialiser de nombreuses préférences exprimées par le biais d’applications, des lieux photographiés renseignant des dynamiques touristiques, etc. Parallèlement, les opportunités offertes par ces nouvelles données numériques amènent la recherche qualitative à utiliser des démarches plus quantitatives. De part et d’autre, les approches habituelles sont repensées (Audard et al. 2014). Ce fait est d’autant plus intéressant que l’opposition des épistémè est bien ancrée, notamment entre le chercheur « enquêteur » d’un côté (primauté du terrain et de ses spécificités, mise en intrigue) qui emprunte principalement à l’histoire, la sociologie et l’anthropologie et le chercheur « modélisateur » de l’autre (simplification, agrégation, simulation, rapport à la norme) qui emprunte plutôt aux méthodes de l’économie et de la géographie quantitative (Gérard-Varet et Passeron 1995). Si l’enquêteur tend par exemple à capter l’émergence de nouveaux usages, le modélisateur va plutôt explorer leur potentiel (la visée de généralisation d’un usage). Les finalités sont donc bien différentes. Cette distinction entre sciences idiographiques et sciences nomothétiques (Berthelot 1996) est établie et pertinente (les incompréhensions et difficultés de communication entre les deux ensembles sont tangibles), mais elle offre possiblement des brèches et n’est pas synonyme d’opposition.

  • 3 En transformant notre capacité à utiliser et à comprendre l’information en dehors des structures de (...)

10En effet, au-delà de la révolution technologique, l’ère du big data amène à reconsidérer les paradigmes et les démarches scientifiques. Après les paradigmes empirique et théorique, et plus récemment, numérique3 (Berry 2011), un quatrième paradigme apparaît comme étant celui de la science conduite par les données (Bell et al. 2009 ; Hey et al. 2009 ; Delyser et Sui 2014). Ce nouveau paradigme ravive les oppositions entre empirie et théorie, observation et modélisation. Plus encore, par le mélange des démarches abductive, inductive et déductive – qui n’est pas seulement l’apanage de la recherche conduite par les données, il défie les épistémologies établies (Batty et al. 2012). L’observation des données est privilégiée, voire prônée de manière radicale, comme l’illustre la posture de Chris Anderson, journaliste et rédacteur en chef de Wired. Dans un article retentissant, il écrit que les pétabytes « nous autorisent à dire : “assez de corrélation”. Nous pouvons arrêter de chercher des modèles. Nous pouvons analyser des données sans hypothèse sur ce qu’elles pourraient montrer » (Anderson 2008, notre traduction). Dans cet article, l’auteur expose que chercher à expliquer les phénomènes n’apparaît plus utile à l’ère des algorithmes statistiques qui sont capables de trouver eux-mêmes des structures et des tendances explicatives. « Qui peut savoir pourquoi les gens font ce qu’ils font ? Le fait est qu’ils le font et que nous pouvons le tracer et mesurer avec une fidélité sans précédent. Si l’on a assez de données, les chiffres parlent d’eux-mêmes » (ibid.). Cette posture contraste avec l’approche des géographes. En effet, pour nombre de ceux qui travaillent sur des problématiques urbaines, les démarches inductives qui permettent, à partir de la fouille de données massives, de décrire et prédire la probabilité d’apparition d’un phénomène et de détecter des tendances ainsi que des signaux faibles coexistent avec une démarche convoquant les small data. Dès lors qu’il s’agit de chercher à expliquer un phénomène observé, il s’avère pertinent d’associer au big data une formalisation de connaissances expertes, issues de retours d’expériences, ou d’analyses de petits jeux de données, et/ou reposant sur une base théorique. Par exemple, la démarche abductive (Banos 2005) consiste à observer de vastes ensembles de données, à partir d’une approche hypothético-déductive initiale, pour y déceler un fait surprenant, une anomalie ou une nouveauté par rapport à ce que l’on s’attend à trouver selon l’hypothèse de départ. Si un fait surprenant est décelé, la méthode abductive renvoie alors aux méthodes qualitatives pour formuler une hypothèse nouvelle qui permettrait d’expliquer cette apparente anomalie.

11Ces discussions sujettes à controverse peuvent certes faire penser à la structure des révolutions scientifiques (Kuhn 1983), même si leur portée est plutôt restreinte à l’épistémologie. Il en va différemment si l’on considère en quoi le big data fait bouger les relations entre les acteurs de la recherche et « le reste du monde ».

Redessiner les frontières entre la recherche et les acteurs

De la statistique publique à la statistique privée

12Le chercheur est aujourd’hui moins que jamais le seul producteur de données ou à l’origine d’un protocole de collecte : le big data implique l’existence de données recueillies en continu, la plupart du temps à l’insu de leur fournisseur. Par exemple, les données de localisation récupérées en temps réel par les opérateurs de téléphonie sont utilisées par des chercheurs, en particulier par des géographes, parce qu’elles permettent de fournir des informations sur les pratiques de mobilité quotidienne à une échelle spatiale très fine. Certes, elles ne remplacent pas des enquêtes ad hoc dans la mesure où elles ne fournissent pas ou peu de caractéristiques individuelles, ni les motifs qui accompagnent les déplacements. Big data ne rime donc pas nécessairement avec rich data (Ollion et Boelaert 2017). Leur exploitation nécessite un couplage avec d’autres bases de données de la statistique publique qui permettent de qualifier les territoires et les populations en présence. Les données produites par l’Insee et d’autres enquêtes de la statistique publique sont ainsi loin d’être obsolètes.

13Mais au moment où l’accès aux données du recensement est facilité, à l’échelle européenne, pour la communauté des chercheurs, la profusion de données numériques émane essentiellement de sociétés privées (opérateurs téléphoniques, secteur internet et plus largement opérateurs de réseaux). Sundsoy (2017) montre ainsi la diversité du potentiel d’exploitation des données de téléphonie mobile pour étudier tantôt la mobilité quotidienne, les densités de population à une échelle de temps très fine, les interactions sociales mais aussi des prévisions en termes de chômage, de planification de transport ou encore de réaction à des catastrophes naturelles. Les enjeux financiers pour les opérateurs téléphoniques sont importants. Un véritable marché avec une multitude d’acteurs a ainsi vu le jour et « les big data sont désormais une marque et une promesse commerciale » (Ollion et Boelaert 2015). Les modalités d’accès aux données massives deviennent elles-mêmes sujets d’études (Rogers 2015). L’acquisition de ces données par le chercheur passe par la mise en place de partenariats et/ou l’achat de données. On peut redouter que « l’utilisation privilégiée de ces ressources comme matériau principal des travaux de recherche [puisse], à terme, induire une forme d’asservissement en créant une relation de dépendance » (Audard et al. 2014) du chercheur au secteur privé.

Porosité des frontières entre le public et le privé : la légitimité du chercheur en question

  • 4 Il s’agit d’un sous-ensemble propre à différentes disciplines qui met au premier plan l’approche in (...)

14Au-delà de l’aspect marchand, le rôle et la légitimité du chercheur se trouvent remis en question. Si l’apparition du big data a favorisé la collaboration en recherche urbaine avec des informaticiens – ancienne dans certains domaines de la modélisation –, leur recrutement dans des laboratoires de sciences sociales et l’émergence des computational social sciences4, le big data remet plus profondément en question la frontière entre chercheurs et experts de données. En effet, avec une telle profusion de données, tout statisticien ou quantitativiste peut se saisir d’une base de données, l’analyser au moyen de techniques quantitatives et s’improviser expert de la ville. On assiste ainsi à une transformation du rapport entre mondes académique et opérationnel privé (des bureaux d’études) et des statuts qui se brouillent malgré des « commandes » différentes. De plus, les compétences recherchées pour traiter les big data, tirées des approches computationnelles et proches des ingénieurs, sont souvent mieux valorisées dans le secteur privé que les compétences liées aux approches classiques des sciences humaines et sociales. Certes on peut tout à fait maintenir l’idée que les chercheurs académiques ont une légitimité avant tout quant à la production de sens et de connaissances, mais ils ne peuvent uniquement être cantonnés à ce rôle interprétatif.

15De plus en plus, les entreprises possèdent leur propre service de recherche qui leur permet d’assurer le recueil et la confidentialité de leurs données et de leur exploitation face à la concurrence. Ces professionnels qui travaillent sur les problématiques urbaines s’emparent désormais de questions relevant du champ de la recherche urbaine et transforment de fait les prérogatives de la recherche publique. Au-delà de ce brouillage identitaire, retrouve-t-on l’éternel débat entre approche déductive et inductive ? Si la démarche inductive prime avec le big data, la différenciation entre la dimension prospective des études privées et la dimension explicative et analytique de la recherche reste d’actualité (sans négliger pour autant le fait que la recherche publique peut également relever d’enjeux prospectifs). Quant aux finalités de l’utilisation de modèles, elles varient entre la mise au jour de régularités d’un côté et l’exploration de nouveaux usages ou marchés possibles de l’autre (Devisme 2011). Mais là encore, la planification stratégique urbaine peut être en attente de finalités modélisatrices plus exploratoires et de l’ordre de l’aide à la décision.

Acuité des enjeux dans les Suds : des données publiques souvent lacunaires

  • 5 Site web Proxima mobile, « Technologies mobiles et gestion des ressources en eau potable », consult (...)
  • 6 Global System for Mobile communications.
  • 7 Global Positioning Systems.

16Les tendances évoquées ici se trouvent exacerbées dans les villes des Suds, du fait de leurs transformations spatiales et socio-culturelles extrêmement rapides. Toutefois, ces villes ne constituent pas un tout homogène. Elles ne sont pas toutes dotées d’un appareil statistique performant de gestion publique, ni de structures à même de produire les données socio-économiques spatialisées nécessaires à la planification. Aussi le big data – de la collecte de données en temps réel à son analyse – revêt-il une importance toute particulière dans la conduite des politiques publiques lorsque les données publiques sont moins nombreuses et moins fiables. La recherche urbaine a, dans les Suds, un double défi à relever. Sur le plan des temporalités, il s’agit de parvenir à ajuster son horizon temporel à celui des changements et des réponses urgentes attendues en matière d’aménagement. Sur le plan de la connaissance, il conviendrait de comprendre les dynamiques en cours liées à l’essor du numérique, dans leurs dimensions sociétales et environnementales, les transformations territoriales qu’elles induisent, ainsi que les nouvelles problématiques qui se posent et qui ne sont pas toujours appréhendées, ou en tout cas jugées prioritaires, par les pouvoirs publics. Or, de grandes masses de données sont aujourd’hui disponibles du fait de la diffusion des technologies de l’information et de la communication, et tout particulièrement de la téléphonie mobile dont la pénétration est beaucoup plus rapide que celle d’Internet. Sur le continent africain, par exemple, le nombre d’abonnés à un opérateur de téléphonie mobile a augmenté de 70 % entre 2010 et 2015. Toutefois sur ce continent, le taux de pénétration est très contrasté selon les zones géographiques : plus de 80 % de la population équipée en Afrique du Sud et au Maghreb, entre 40 % et 80 % dans la majorité des pays d’Afrique subsaharienne, mais seulement 20 % en Centrafrique (Polle 2016). L’exploitation des données de téléphonie mobile par les opérateurs privés, qui nouent généralement des partenariats avec d’autres grands générateurs de données comme Google ou Facebook (Bouessel 2018), entre en force dans l’aménagement des territoires et la prospective urbaine, par exemple dans le domaine des déplacements : constructions d’infrastructures routières, analyse des mobilités et réaffectations de lignes de transport collectif, par exemple (Cui et al. 2016 ; Shi et al. 2018). Face au problème majeur que représente l’accès à l’eau potable, les gouvernements et les ONG mobilisent les citoyens volontaires pour recenser par SMS les points d’eau et l’état des infrastructures de distribution : projet Mobile Telephones for Improved Safe Water Access en Ouganda et projet Water en Afrique de l’Ouest ; application Flow Akvo utilisée dans dix-sept pays en Afrique, Asie, Amérique centrale et Amérique du Sud depuis 2010, qui cartographie les données transmises sur une carte à usage public5. Géographes et urbanistes participent à cette dynamique, parfois dans le cadre de collaborations inédites, tel le concours Challenge Data for Development 2014 organisé par Orange en Afrique, qui s’adressait aux chercheurs, et mettait à leur disposition plusieurs fichiers de données radio mobiles rendues anonymes, pour 2011 et 2012. Dans un des projets proposés (SPOT), des géographes et des informaticiens, français et sénégalais, ont développé des algorithmes permettant de reconstituer les emplois du temps des habitants de Dakar à partir de la géolocalisation relative des téléphones mobiles par rapport aux antennes GSM6, qui ont été ensuite intégrés à un modèle de simulation transport-urbanisme (Gueye et al. 2015). Des travaux menés par ailleurs s’attachent à cartographier l’extension urbaine et à modéliser son développement futur au moyen de données multi-sources – cartes, images satellites, OpenStreetMap, GPS7 –, ou encore à étudier la capacité d’appropriation des technologies numériques par les populations, les risques de fracture numérique, la fragilité des systèmes basés sur ces technologies dépendantes de décisions exogènes, etc. (Datta 2016 ; Odendaal 2016). Sur d’autres problématiques où les informations sont rares, telles que la vulnérabilité face au risque et les déplacements de populations (Borderon et al. 2017), des recherches inventent de nouvelles méthodes d’investigation et d’analyse, combinant données GPS, enquêtes de terrain et enquêtes interactives en ligne, rendant la frontière entre le small data et le big data de moins en moins étanche. Au-delà de la recherche urbaine et de l’aménagement, le big data dans les Suds offre des perspectives cruciales de développement en termes d’amélioration des activités agricoles et de gestion du système de soin des populations (Mayes et White 2016).

Les familles recomposées de la recherche urbaine

17Comment se profile l’avenir de la recherche urbaine à la lumière du déploiement du big data ? Essayons d’avancer les éléments d’une prospective. Une vision pessimiste prend acte du déploiement d’une profusion de données numériques où tout quantitativiste s’improvise expert dans un domaine par la multitude de données qu’il a à disposition et qui lui permet de faire émerger des savoirs. Ce scénario accroît le risque de marginalisation d’une recherche urbaine qui, face à des commandes publiques de plus en plus techno-centrées, serait incapable de démontrer son utilité et se replierait sur le registre académique. Une autre perspective vient tempérer ce scénario, celle d’une recherche urbaine ouverte, combinant les démarches small data et big data, avec pour résultat des avancées en termes de connaissances thématiques ainsi que des approfondissements et des renouvellements théoriques. Dans ce même esprit d’ouverture, une autre vision (modérément) optimiste explore un développement du big data combiné à des partenariats entre sphères publique et privée plus importants, à des échanges plus nourris entre chercheurs et acteurs urbains, aux savoir-faire complémentaires pour des objectifs différenciés et des temporalités différentes. Une sorte de science collaborative se dessine alors dans laquelle les acteurs opérationnels, les experts et les chercheurs trouvent leur place.

18Les données collaboratives peuvent ainsi constituer une alternative à la vision pessimiste pour le milieu de la recherche. Ce ne sont pas forcément des big data au sens où nous l’entendons par leur volume, mais ce sont des sources nouvelles qu’il faut prendre en compte. On peut songer à la connaissance environnementale (inventaires de biodiversité) mais aussi à des enjeux d’alerte sur la nécessité de maintenance ou de réparation de la voie publique (application Fixmystreet) ou encore à l’interaction collectivité-habitants (application Nantes dans ma poche). Les modalités et les usages sont variés. Fondées sur le volontariat (réponses à une enquête sur Internet ou restitution d’observations), leur principale faiblesse réside dans la difficulté à en évaluer a posteriori la représentativité. Leur potentiel est d’autant plus important que leur coût monétaire est faible et on peut imaginer dans un avenir proche des méthodes robustes qui permettront d’en évaluer la fiabilité.

19Les données extraites du Web par des méthodes de webscraping constituent une autre alternative intéressante pour la recherche. Le contenu ou les textes sont captés au moyen de mots-clés ou de tags mis en place par les chercheurs (Severo et Romele 2015). Ce protocole de recueil nécessite une réflexion épistémologique sur la construction des catégories et des objets de recherche. Il s’accompagne de la mise en place d’outils de la statistique textuelle (Lebart et Salem 1994) qui permettent de travailler sur des corpus de textes volumineux en faisant émerger les univers lexicaux à partir des co-occurrences de mots (Guérin-Pace 1997). Cette opportunité est un apport indéniable, notamment pour analyser les discours portant sur des transformations recherchées ou promues, mais aussi sur des pratiques dans des environnements transformés ou en transformation. Elle s’avère utile aux sociologues, linguistes, géographes de la culture, politistes, etc. Un enjeu pour la recherche urbaine est alors de pouvoir mieux situer la circulation de grandes catégories d’action dans les mondes publics et privés, dans les discours de la société civile et de repérer celles qui, omniprésentes, risquent de devenir des mots magiques ou des injonctions.

  • 8 Ce que rappelait Bruno Latour dans un court texte intitulé « Faut-il défendre l’autonomie des scien (...)
  • 9 CIFRE : Convention industrielle de formation par la recherche.

20Sans se limiter aux questions posées par les données massives, l’enjeu de la production collaborative de la science pose des questions qui ont des répercussions organisationnelles et éthiques. Du côté organisationnel, la place de la recherche dans la société est interrogée, autant que son indépendance qui peut aussi se penser comme une multi-dépendance8. Les dynamiques de la science peuvent fortement gagner à des partenariats qu’illustrent bien les thèses produites en alternance (financement de dispositifs CIFRE9). Du côté éthique, l’enjeu du discernement des variétés de position chez les producteurs de données est décisif. Ces deux facettes impliquent le maintien d’objectifs et de temporalités différenciés parmi les collaborateurs d’activités scientifiques.

21Pour ce qui concerne les savoirs académiques en tant que tels, la condition numérique dans laquelle les chercheurs sont plongés doit-elle nécessairement conduire à un paradigme unifié ? Le couplage des registres scientifiques est-il de l’ordre de la communauté réduite aux acquêts ou de la séparation de biens ? C’est ce que nous questionnons pour finir avec différents scénarios contrastés construits selon les méthodes de la prospective territoriale (et qui peuvent être mis en discussion avec le texte de Gabriel Dupuy et Lucien-Gilles Benguigui [2015]), mais projetés ici à partir de questions urbaines.

221. Une collaboration molle et superficielle reviendrait probablement au maintien de la situation contemporaine, à savoir un copier-coller de work packages issus de différents laboratoires et disciplines. Si l’interdisciplinarité est devenue un véritable mot-valise des appels à projets, sa mise en application reste bien moins répandue qu’on ne le pense. Ce premier scénario accentuerait, ou à tout le moins préserverait, des spécialisations disciplinaires déjà à l’œuvre, ne facilitant pas les interpellations réciproques. Dans cette perspective, les nouveaux recrutements dans l’enseignement supérieur et la recherche concernent majoritairement des informaticiens et à la marge quelques qualitativistes travaillant sur le sens des données, les anomalies ou les scories du big data. Notons que ce scénario est aussi celui d’une restriction mutuelle des disciplines, d’une rigidification de leurs frontières avec un durcissement des paradigmes. Les différences sont assumées, revendiquées, aiguisées (par exemple : le représentatif ou l’expressif ; le quantifiable ou le qualifiable). La conceptualisation des objets de la recherche est certes meilleure, mais au risque de passer à côté des défis contemporains et de s’éloigner des acteurs qui sont plus demandeurs d’aides à l’action que de sciences.

  • 10 On peut s’en convaincre à partir du deuxième épisode de la série Les villes du futur (Castaignède e (...)

232. Un scénario d’extension du domaine de la modélisation est envisageable : une interdisciplinarité offensive et plutôt positiviste se déploie. Le big data génère de nouvelles formes d’empirisme qui interpellent la recherche urbaine tous azimuts. Des physiciens, des informaticiens, des statisticiens et autres spécialistes des données massives tendent à s’approprier certains pans de la recherche en sciences humaines et sociales, qui relèvent notamment de la recherche urbaine (Bettencourt et al. 2007). C’est le cas de la physique sociale, courant apparu au milieu des années 2010 et qui se revendique comme un nouveau champ de recherche sur les processus spatiaux et sociaux, et sur les lois qui régissent les villes et la croissance urbaine. Les aspects novateurs de ce courant, révélés de manière édifiante dans un article de Jonah Lehrer publié dans le New York Times Magazine, tiennent en trois points. Ce courant a en premier lieu l’ambition de créer une science urbaine (les théories urbaines existantes sont jugées obsolètes et comparées à la physique d’avant Johannes Kepler) avec la volonté délibérée, revendiquée, de s’affranchir de décennies de recherches sur les villes. Il s’appuie ensuite sur une recherche de lois à partir d’une multitude de données hétérogènes, « sans être contraint par les vieilles méthodes en sciences sociales » en partant d’une page blanche pour « étudier les villes comme elles n’ont jamais été étudiées auparavant » (Lehrer 2010). Enfin, l’aura de ces recherches – dont témoigne leur forte médiatisation – et l’intérêt qu’elles suscitent chez les décideurs et les gestionnaires des villes, avec à la clef, des financements assurés, renforcent cette perspective. La rencontre entre cette voie positiviste et une injonction au résolutoire et à l’efficacité de la science représente un scénario crédible10.

  • 11 Sur cette voie, indiquons le nombre croissant de programmes pédagogiques dans les écoles d’ingénieu (...)

243. Extension du domaine de l’enquête : les humanités gagnent du terrain. Dans ce scénario, l’enjeu collaboratif de la production, du traitement et de l’analyse des données nécessite de nombreuses compétences issues des sciences sociales. De même, la généralisation et l’ampleur des données impliquent la présence de nombreux interprètes possibles : historiens, anthropologues, sociologues, etc. La recherche urbaine se faisant de plus en plus en compagnie d’autres acteurs, elle est d’autant plus « embarquée », socialisant les modèles, questionnant en profondeur les capacités des contextes à recevoir de nouvelles technologies, etc. Dans un monde largement pétri de discours fantasmatiques sur la smart city, il apparaîtrait opportun de recruter massivement des chercheurs en sciences sociales dans les écoles d’ingénieurs11 !

254. Un quatrième scénario se dessine sous les auspices de l’expérimentation (comme construction intellectuelle en action) (cf. chap. 3). Porteuse d’une socialisation de la science sans rogner sur ses exigences et sur ses pertinences, elle peut rejoindre la voie de la recherche « impliquée », ni fondamentale, ni appliquée, et du mouvement des sciences collaboratives. Dans cette perspective, les modèles inductifs et les expérimentations gagnent du terrain, ce qui contribue à élargir la palette des modes de production de connaissances par les chercheurs. Cela peut être combiné avec l’enjeu de (re)nouer le dialogue avec les sciences dites dures, physique et informatique notamment. Les collaborations interdisciplinaires qui enrichirent la géographie quantitative, et fondèrent la modélisation urbaine dans les décennies 1980 et 1990, seraient alors plus que jamais à réactiver.

***

26Carlo Ratti, directeur du Senseable City Lab au MIT, écrivait récemment :

L’Internet se déploie désormais dans l’espace physique, réservé autrefois aux architectes et aux urbanistes, et il va nous permettre d’interagir avec des objets tout autour de nous, de mille manières. Ce mouvement puissant est en train de faire émerger de véritables smart cities : de l’énergie à la gestion des déchets, de la mobilité à la distribution de l’eau, de l’urbanisme à la participation citoyenne (Giret et Pisani 2017).

27On relève ici à la fois du constat et de l’anticipation et il est utile de poser plus précisément certains enjeux. Cette vigilance est d’autant plus importante que des institutions internationales comme la Banque mondiale et l’Organisation des nations unies perçoivent à juste titre les technologies numériques comme un moyen rapide et efficace d’améliorer les conditions de vie des populations urbaines des Suds. Ce faisant, elles enjoignent souvent les gouvernements à adopter le modèle fantasmé de la smart city. De fait, un grand nombre de villes des Suds considèrent que ce modèle est le plus apte à concilier croissance urbaine rapide et développement économique. Tel est le cas du programme des 100 smart cities lancé par le gouvernement indien en 2014. Dans le même ordre d’idée, la notion de smart urbanism s’est rapidement répandue, donnant lieu à un effort de déconstruction (Luque-Ayala et Marvin 2015 ; Söderström 2016). Il n’est pas sûr, jusqu’à présent, que la « révolution internet » se soit traduite par une révolution des manières de concevoir les formes urbaines, d’agencer les places, d’organiser les rapports entre les lieux du mouvement et du repos, etc. Son arrivée est probablement plus comparable à l’arrivée de l’électricité dans les territoires qu’à la révolution industrielle en tant que telle : point de bouleversement des structures urbaines par le déploiement massif du numérique.

  • 12 On peut faire le parallèle avec les aménageurs qui doivent intégrer un nombre très important de par (...)

28Outre cette nécessaire vigilance, nous avons ici privilégié l’analyse des conséquences du développement du big data. Moins qu’une « révolution » et plutôt que d’une réalité scientifique, il s’agit d’un argument commercial. Il transforme toutefois les liens entre chercheurs, acteurs de terrain et acteurs du numérique. Les prises de position qui s’expriment autour de ces données numériques sont intéressantes et couvrent des domaines variés : protection des données individuelles, qualité des données, accès, traitement, etc. Une nouvelle source de données est offerte. C’est une opportunité intéressante qui ne remet cependant pas en question l’intérêt des données de la statistique publique ni les autres données de terrain12. Le small data croisé avec le big data prend du sens. L’aspect dynamique, voire continu, du big data est fort utile pour les sciences sociales qui s’intéressent aux mobilités et aux territoires sur des temporalités très courtes. Cela permet-il de poser de nouvelles questions de recherche ?

29Les enjeux pour la recherche urbaine se situent à différents niveaux. On peut en retenir quatre :

  • Sur le plan méthodologique, il semble incontournable et urgent de concevoir et diffuser largement dans le milieu universitaire de nouvelles démarches d’analyse urbaine utilisant les données issues du big data : corpus de données textuelles, observations participatives et cartographies en ligne, flux en continu. Croisées avec les approches plus traditionnelles, ces démarches ouvrent de nouvelles pistes de compréhension. Mais avant même de pouvoir les croiser, il faut les connaître et en éprouver la possible portée.

  • Plus précisément, en modélisation urbaine, mesurer pour diverses problématiques l’apport du machine learning utilisé pour rechercher dans de vastes ensembles de données, sans hypothèse préalable, des corrélations insoupçonnées est tout autant heuristique. La vérification expérimentale de ces corrélations tout comme leur interprétation relèvent d’un agenda pertinent.

  • Sur le plan méthodo-épistémologique, il est important d’inventer des protocoles capables de faire dialoguer intelligemment quantitatif et qualitatif. Cela implique d’adapter les méthodes statistiques ainsi que les modèles à base d’agents aux contraintes et aux ressources des données massives, et de mener une réflexion sur l’incertitude de la connaissance.

  • Anticiper la ville de demain demeure un enjeu majeur de la recherche urbaine. Comment appréhender la complexité des rapports des individus et des collectifs à l’espace dans le temps long à partir de flux sur des pas de temps courts ? Comment intégrer ces flux de données aux données sur le temps long ? En outre, certaines données mises à jour en continu sont éphémères, d’autres deviennent inaccessibles ou obsolètes. Or, la ville de demain se construit aussi à partir de données passées et actuelles. Il convient dès à présent d’anticiper les corpus de données qui seront à mobiliser dans les recherches urbaines futures. Cet enjeu d’un temps épaissi est central dans une période marquée par l’accélération et un risque de présentisme (Hartog 2003) ou d’« émergentisme » dont la recherche doit se prémunir.

Notes

1 Les éléments de cette réflexion ont également été partagés avec Cyrille François, Antoine Pauchon et Vanessa Stassi durant l’école thématique d’Aussois, en septembre 2016.

2 Notons aussi que la smart city peut être un horizon d’action plus ouvert et potentiellement critique par rapport au régime économique dominant. C’est vrai chez Jeremy Rifkin, essayiste auteur de l’hypothèse de la troisième révolution industrielle, mais aussi dans les attentes du prix de l’innovation Le Monde Smart Cities. Cf. https://www.agorize.com/fr/challenges/smart-cities- 2018. Quant à l’instrumentalisation des big data par des modèles urbains émergents, nous renvoyons au chapitre 16.

3 En transformant notre capacité à utiliser et à comprendre l’information en dehors des structures de connaissances traditionnelles, les technologies numériques (code et logiciel) changent la nature de la connaissance.

4 Il s’agit d’un sous-ensemble propre à différentes disciplines qui met au premier plan l’approche informatique, aussi bien dans le traitement de données que dans la modélisation et la simulation. Il s’est particulièrement déployé pour l’analyse de réseaux sociaux, les systèmes d’information géographique et l’analyse de contenu des médias. Les sciences sociales informatiques sont notamment organisées en sociétés professionnelles comme la Computational Social Science Society of the Americas (CSSAA) ou encore l’Association européenne de simulation sociale.

5 Site web Proxima mobile, « Technologies mobiles et gestion des ressources en eau potable », consulté le 23 juin 2019, http://www.proximamobile.fr/article/les-mobiles-au-services-des-ressources-en-eau-potable.

6 Global System for Mobile communications.

7 Global Positioning Systems.

8 Ce que rappelait Bruno Latour dans un court texte intitulé « Faut-il défendre l’autonomie des scientifiques ? Oui, à condition qu’ils la partagent avec tout le monde... » et repris dans son ouvrage Chroniques d’un amateur de sciences (2006).

9 CIFRE : Convention industrielle de formation par la recherche.

10 On peut s’en convaincre à partir du deuxième épisode de la série Les villes du futur (Castaignède et al. 2014) où il est notamment question de politiques appuyées sur l’intelligence des réseaux pour atténuer leurs engorgements. Les cas de la gestion – régulation dans le métro londonien de même que le réaménagement d’Oxford Circus (à partir d’une modélisation des trois paramètres que sont la destination, la vitesse de marche et le maintien d’un espace personnel pour trois types de passants – flâneurs, touristes et résidents) – montrent clairement comment ce scénario est mis en œuvre.

11 Sur cette voie, indiquons le nombre croissant de programmes pédagogiques dans les écoles d’ingénieurs qui sont explicitement tournés vers la compréhension et les usages de la ville numérique (École centrale de Nantes) ou des controverses (École des mines de Paris). Mentionnons également le Centre des humanités à l’INSA Lyon.

12 On peut faire le parallèle avec les aménageurs qui doivent intégrer un nombre très important de paramètres (contraintes) dans leur travail quotidien et qui, via la participation citoyenne, peuvent complexifier leurs actions, les ajuster, sans nécessairement revoir de fond en comble leur ingénierie de projet. Dans le champ de la production architecturale, il en va de même du BIM (Building Information Modelling), nouvelle étape de rationalisation des collaborations professionnelles qui n’est pas pour autant un chamboulement.

© CNRS Éditions, 2020

Conditions d’utilisation : http://www.openedition.org/6540

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search